Comment comparer un échantillon… : En traçant la fonction de répartition… — ECG2 approfondies | MetMat

Comment comparer un échantillon simulé avec la loi théorique via histogramme, diagramme en bâtons ou fonction de répartition empirique ?

En traçant la fonction de répartition empirique en escalier et en la superposant à la FdR théorique

Visualiser la convergence de la fonction de répartition empirique vers la FdR théorique.

Maîtriser

Reconnaître

Résoudre

Que ferais-tu face à un exercice de ce type ?

Comparer la FdR empirique d'un échantillon de taille $N=500$ d'une loi $\mathcal{E}(1)$ à la FdR théorique $F(t)=1-\mathrm{e}^{-t}$ sur $t\geq 0$ .

L'objectif

Visualiser la convergence de la fonction de répartition empirique vers la FdR théorique.

Le principe

La fonction de répartition empirique $\hat{F}_N(t) = \frac{1}{N}\sum_{i=1}^N \mathbf{1}_{X_i \leq t}$ converge p.s. vers $F_X(t)$ en tout $t$ (loi forte des grands nombres appliquée aux $\mathbf{1}_{X_i\leq t}$ ). Graphiquement, après tri de l'échantillon, elle s'obtient en escalier avec des sauts de $1/N$ .

La méthode

1
Je simule l'échantillon X = ... de taille $N$ , puis je le trie avec Xs = np.sort(X) pour obtenir les abscisses des sauts.
2
Je construis les ordonnées Y = np.arange(1, N+1)/N : la $i$ -ème marche atteint la hauteur $i/N$ .
3
Je trace la FdR empirique en escalier avec plt.step(Xs, Y, where='post', label='empirique').
4
Je superpose la FdR théorique $F$ évaluée sur une grille fine : t = np.linspace(a, b, 500) puis plt.plot(t, F(t), 'r', label='théorique'), et je conclus sur l'adéquation.

Pour comprendre, fais des exercices !

Exercice d'exemple

Comparer la FdR empirique d'un échantillon de taille $N=500$ d'une loi $\mathcal{E}(1)$ à la FdR théorique $F(t)=1-\mathrm{e}^{-t}$ sur $t\geq 0$ .

Étape 1 —

Je simule l'échantillon X = ... de taille

N

, puis je le trie avec Xs = np.sort(X) pour obtenir les abscisses des sauts.

import numpy as np, numpy.random as rd, matplotlib.pyplot as plt
N = 500
X = rd.exponential(1, size=N)
Xs = np.sort(X)

Étape 2 —

Je construis les ordonnées Y = np.arange(1, N+1)/N : la

i

-ème marche atteint la hauteur

i/N

Y = np.arange(1, N+1) / N

Étape 3 —

Je trace la FdR empirique en escalier avec plt.step(Xs, Y, where='post', label='empirique').

plt.step(Xs, Y, where='post', label='empirique')

Étape 4 —

Je superpose la FdR théorique

F

évaluée sur une grille fine : t = np.linspace(a, b, 500) puis plt.plot(t, F(t), 'r', label='théorique'), et je conclus sur l'adéquation.

t = np.linspace(0, 6, 500)
plt.plot(t, 1 - np.exp(-t), 'r', label='1 - exp(-t)')
plt.legend(); plt.show()

L'escalier empirique épouse la courbe $1-\mathrm{e}^{-t}$ .

Les applications suivantes et la correction guidée sont réservées aux membres Premium

La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.